【技术实现步骤摘要】
本专利技术涉及虫害识别，尤其涉及基于改进轻量化网络的虫害识别方法、设备及存储介质。
技术介绍
1、对农场和农业场所进行有效地害虫防治至关重要，害虫物种不仅会损害农作物进而造成收入损失，而且假若没有及时处理，它们还会对机械、设备和财产造成重大损害。因此，及时发现和识别虫害并快速做出反应才能减少损失，提高农业产品的产量和质量。由于害虫物种的种类繁多，不同的作物又对应不同的害虫物种，所以大部分的虫害识别方法高度依赖于农业专家的专业知识，这意味着成本高又耗时。随着深度学习和计算机视觉技术的发展，使得自动化识别农作物虫害的方法成为现代年农业的新趋势。人工智能和深度学习技术为迫切的农业需求和环境问题提供了创新的解决方案，特别是深度学习技术的进步，最终实现了大规模覆盖的、高效的和可持续的害虫检测。
2、目前，科研人员对于深度学习模型的设计已经进行了广泛的研究。由于移动设备的功耗、内存等硬件条件是有限的，因此研究人员除了使用准确率评估模型的表现外，还使用浮点计算量(flops)，吞吐量(thoughtput)、时延(latency)等多维度地衡量模型的性能表现，因此现有的面对虫害识别的网络设计目标主要有以下两点：(1)保证虫害的识别准确率；(2)尽可能地降低网络设计的时延和浮点计算量；(3)尽可能提高网络的吞吐量。
3、现有技术中，多数深度学习网络模型提升准确率的代价是使模型更加复杂，无限地消耗高性能的gpu处理器，这使其计算开销巨大，在低成本低算力的移动端使用严重受限。目前，最新的研究成果在解决这一问题方面有两类基本的
4、然而，在深度学习网络模型轻量化的过程中仍然存在许多技术问题，包括模型识别率较低、操作繁琐、以及参数量和计算量较大等挑战。这些问题限制了该技术在实际应用中的广泛推广和应用。因此，进一步的优化和改进依然是当前研究的重要任务，使得这一技术更好地适应不同的应用场景。
5、旷视科技团队提出shufflenetv2来解决模型的通信和计算效率问题，引入shuffle操作，优化信息在不同通道之间的传递，提高模型表达能力，使其适用于移动设备和边缘设备。然而引入shuffle操作的同时，也引入了一些计算开销，这可能在一些资源受限的设备上导致性能瓶颈。google团队提出的mobilenetv2实现了在移动设备上的实时模型推理，通过引入特征重用和全局平均池化，降低计算成本。但是为了实现这样的速度和轻量级，在某种程度上限制了模型的表达能力，使得mobilenetv2在某些情况下会牺牲了一些准确性。
6、综上，为了保证虫害识别在大规模部署的应用时具有良好的轻量化性能，同时加强识别的准确率，需要一种轻量化的虫害识别网络技术方法。
技术实现思路
1、本专利技术所要解决的技术问题在于，提供一种基于改进轻量化网络的虫害识别方法、设备及存储介质，可在保持高吞吐量、高速率的同时，减少训练参数量，提升模型性能。
2、为了解决上述技术问题，本专利技术提供了一种基于改进轻量化网络的虫害识别方法，包括：采集目标害虫图像数据；将所述目标害虫图像数据输入事先训练好的目标轻量级网络模型，以输出虫害识别结果；所述目标轻量级网络模型包括嵌入层、四个阶段层、三个融合层及分类层，各阶段层之间通过所述融合层连接；所述嵌入层包括卷积层及批归一化层，用于将所述目标害虫图像数据分割为不重叠的特征图；所述阶段层包括部分深度卷积层及1×1卷积层，所述部分深度卷积层用于对特征图的前n个通道进行深度卷积运算，其中，n为正整数；所述融合层包括动态卷积层及批归一化层，所述动态卷积层用于根据特征图生成关于卷积核权重各个维度上的注意力权重系数，并将卷积核加权求和以生成卷积核权重；所述分类层包括全局池化层、1×1卷积层、激活函数及全连接层。
3、作为上述方案的改进，所述四个阶段层包括第一阶段层、第二阶段层、第三阶段层及第四阶段层；所述第一阶段层包括一个部分卷积层，所述第二阶段层包括相互堆叠的两个部分卷积层，所述第三阶段层包括相互堆叠的八个部分卷积层，所述第四阶段层包括相互堆叠的两个部分卷积层；每一部分卷积层均包括一个部分深度卷积层及一个批归一化层。
4、作为上述方案的改进，所述动态卷积层用于根据特征图生成关于卷积核权重四个维度上的注意力权重系数；所述四个维度上的注意力权重系数包括卷积核的注意力系数、卷积核在空间维度的注意力系数、输入通道的注意力系数及输出通道的注意力系数。
5、作为上述方案的改进，所述目标轻量级网络模型的训练方法包括：采集农作物相关的基准害虫图像数据；对所述基准害虫图像数据进行预处理，并将预处理后的所述基准害虫图像数据拆分成训练集、验证集及测试集；对所述训练集进行图像增广及数据增强处理；对所述验证集及测试集进行图像裁剪及标准化处理；通过图像增广及数据增强处理后的训练集训练基准轻量级网络模型；训练过程中，通过图像裁剪及标准化处理后的验证集验证所述基准轻量级网络模型，以生成目标轻量级网络模型；通过图像裁剪及标准化处理后的测试集检测所述目标轻量级网络模型。
6、作为上述方案的改进，所述通过图像增广及数据增强处理后的训练集训练基准轻量级网络模型时，使用标签平滑交叉熵损失函数计算损失，并采用adamw优化器训练模型网络参数。
7、作为上述方案的改进，所述通过图像裁剪及标准化处理后的验证集验证所述基准轻量级网络模型的步骤包括：通过图像裁剪及标准化处理后的验证集对所述基准轻量级网络模型进行性能验证，并将表现最好的基准轻量级网络模型作为目标轻量级网络模型；所述性能包括准确率、浮点计算量、参数量、时延及吞吐量。
8、作为上述方案的改进，所述预处理包括数据清洗及数据标签标记；所述图像增广及数据增强处理包括颜色抖动、自动增强、mixup及cutmix处理；所述图像裁剪及标准化处理包括调整大小、居中心裁剪、totensor及标准化每个图像的通道。
9、作为上述方案的改进，所述激活函数包括relu函数或gelu函数。
10、相应地，本专利技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述基于改进轻量化网络的虫害识别方法的步骤。
11、相应地，本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述基于改进轻量化网络的虫害识别方法的步骤。
12、实施本专利技术，具有如下有益本文档来自技高网...
【技术保护点】
1.一种基于改进轻量化网络的虫害识别方法，其特征在于，包括：
2.如权利要求1所述的基于改进轻量化网络的虫害识别方法，其特征在于，所述四个阶段层包括第一阶段层、第二阶段层、第三阶段层及第四阶段层；
3.如权利要求1所述的基于改进轻量化网络的虫害识别方法，其特征在于，所述动态卷积层用于根据特征图生成关于卷积核权重四个维度上的注意力权重系数；
4.如权利要求1所述的基于改进轻量化网络的虫害识别方法，其特征在于，所述目标轻量级网络模型的训练方法包括：
5.如权利要求4所述的基于改进轻量化网络的虫害识别方法，其特征在于，所述通过图像增广及数据增强处理后的训练集训练基准轻量级网络模型时，使用标签平滑交叉熵损失函数计算损失，并采用AdamW优化器训练模型网络参数。
6.如权利要求4所述的基于改进轻量化网络的虫害识别方法，其特征在于，所述通过图像裁剪及标准化处理后的验证集验证所述基准轻量级网络模型的步骤包括：
7.如权利要求4所述的基于改进轻量化网络的虫害识别方法，其特征在于，
8.如权利要求1所述的基于改进轻
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于改进轻量化网络的虫害识别方法，其特征在于，包括：
2.如权利要求1所述的基于改进轻量化网络的虫害识别方法，其特征在于，所述四个阶段层包括第一阶段层、第二阶段层、第三阶段层及第四阶段层；
3.如权利要求1所述的基于改进轻量化网络的虫害识别方法，其特征在于，所述动态卷积层用于根据特征图生成关于卷积核权重四个维度上的注意力权重系数；
4.如权利要求1所述的基于改进轻量化网络的虫害识别方法，其特征在于，所述目标轻量级网络模型的训练方法包括：
5.如权利要求4所述的基于改进轻量化网络的虫害识别方法，其特征在于，所述通过图像增广及数据增强处理后的训练集训练基准轻量级网络模型时，使用标签平滑交叉熵损失函数计算损失，并采用adamw优化器训练模...
【专利技术属性】
技术研发人员：林智勇，马先盛，魏纵横，温清机，郑莉莉，吴祺灵，余梓浩，徐滟茹，彭彬，刘博灵，陈少梅，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。